[发明专利]基于机器学习的近地面环境要素预测模型训练和预测方法

权利要求书

1.一种近地面环境要素预测模型的训练方法，所述方法包括：

获取第一地区的遥感影像数据、气象监测数据、空气质量监测数据和环境数据；

获取第一地区的近地面环境要素的监测值；

生成训练样本，其中，所述训练样本中以遥感影像数据中的至少部分数据，和气象监测数据、空气质量监测数据和环境数据中的至少部分数据作为模型输入数据，以所述近地面环境要素的监测值作为标签值；

使用所述训练样本训练所述近地面环境要素预测模型。

2.根据权利要求1所述的方法，其中，所述生成训练样本包括：

根据数据之间的相关性以及数据的属性特征，将遥感影像数据、气象监测数据、空气质量监测数据和环境数据分别分成多组数据；

基于测试样本的评测结果，选择遥感影像数据、气象监测数据、空气质量监测数据和环境数据中的至少一组数据作为模型输入数据。

3.根据权利要求1所述的方法，其中，所述近地面环境要素包括近地面细颗粒物浓度、近地面臭氧浓度、近地面温度中的一种。

4.根据权利要求1所述的方法，其中，

所述遥感影像数据包括卫星遥感影像数据；

所述气象监测数据包括，所述第一地区的多个监测站点的气象监测数据；

所述空气质量监测数据包括所述第一地区的多个监测站点的空气质量监测数据。

所述环境数据包括：监测站点的经度、纬度、高程数据、下垫面数据中的一种或多种。

5.根据权利要求1所述的方法，其中,所述近地面环境要素预测模型基于反向传播网络。

6.根据权利要求5所述的方法，所述近地面环境要素预测模型包括输入层、至少一个隐藏层、输出层，其中相邻隐藏层之间的传递函数为双曲正切S型传递函数，邻接输出层的隐藏层与输出层之间的传递函数为线性传递函数。

7.根据权利要求5所述的方法，还包括，根据所述预先设定的评价指标，确定隐藏层中神经单元的数量。

8.根据权利要求1所述的方法，还包括，

通过以多个测试样本测试经过训练的所述近地面环境要素预测模型,确定所述多个测试样本中的若干第一测试样本，所述第一测试样本的预测误差大于预定阈值；

在所述第一测试样本的数量未达到预定阈值时，对所述近地面环境要素预测模型的输出结果施加线性修正；

或者，在所述第一测试样本的数量达到预定阈值时，增加所述近地面环境要素预测模型的隐藏层的层数，然后重启所述近地面环境要素预测模型的训练。

9.根据权利要求1所述的方法，其中，所述遥感影像数据、气象监测数据、空气质量监测数据、环境数据和所述近地面环境要素的监测值在时间和空间上相互匹配。

10.一种近地面环境要素的预测方法，所述方法包括：

获取第二地区的遥感影像数据、气象监测数据、空气质量监测数据和环境数据；

将所述遥感影像数据中的至少部分数据，和气象监测数据、空气质量监测数据和环境数据中的至少部分数据输入到通过权利要求1的方法训练好的近地面环境要素的预测模型中，得到第二地区的近地面环境要素的预测值。